中国省际季度GDP强影响性特征的协同效应和共振效应，本文主要内容关键词为：效应论文,中国论文,季度论文,特征论文,GDP论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
GDP是衡量一个国家或地区在一定时间、空间和条件下的经济总规模、总水平的最基础、最重要、最核心的指标和变量之一，它不仅是制定经济发展战略目标和宏观经济政策的重要工具和重要依据，而且也是检验宏观经济政策科学性和有效性的重要手段。在对GDP的趋势特征分析中，有一种最为重要的特征——强影响性特征（Influence Diagnostics）。所谓“强影响性”是指采用GDP指标建立计量经济模型进行宏观经济政策分析时，每一个样本点对所建立的计量模型提供的样本信息存在着差异，有的样本点会对所建立计量模型的参数产生重要影响（这些样本点称为“强影响点”）（韦博成等，2009），有的样本点则影响甚小。在各个样本点对所建立计量模型影响程度存在差异的情况下，如果研究者没有对其强影响性特征进行系统分析，就盲目通过全部样本点，基于GDP的计量模型来进行宏观经济预测预警以及相关政策分析，毫无疑问，势必可能会得到不能反映真实经济状况的有偏误甚至错误的研究结论，从而误导政府宏观经济决策。因此，能否准确对我国GDP的强影响性特征进行诊断研究，将会直接关系到我国宏观经济形势判断和预测、政策分析与评价的准确性和科学性。对于我国GDP的强影响性特征进行诊断分析，所得有价值的研究结论将会为我国政府宏观经济政策制订的有效性与前瞻性提供重要的决策借鉴和依据，所以对于该问题的研究具有十分重要的现实意义。 国内已有部分文献对我国GDP通过计量建模开展了有关经济增长与波动、宏观经济预测预警等政策分析，得到了一些具有现实意义的研究结论。在对我国GDP通过计量建模来划分我国的经济周期阶段和预测我国的经济形势，并对宏观经济监测预警和调控政策进行研究的文献中，往往从两个方面进行考虑。一方面是基于我国GDP自身通过时间序列计量模型建模来进行研究。Chen等（2013）利用结构性时间序列模型，用随机季节性因素、三角形表达的周期成分（短期）以及局部线性趋势（长期）这三个因素来刻画我国GDP的演变过程，并与相关政治事件结合在一起进行分析。另一方面，由于宏观经济变量之间往往存在系统性的关联性，现有文献也有通过与GDP相关的其他指标来进行相关经济政策分析。利用其他宏观经济指标通过混频数据模型对我国季度GDP进行实时预测（耿鹏和齐红倩，2012）。同时在运用GDP进行相关宏观经济政策分析方面，潘文卿（2012）利用我国1998-2009年31个省份的人均GDP及相关变量，利用计量方法考察省份经济之间的空间溢出效应，实证研究发现这种空间溢出效应对各地区的经济发展起到了重要的作用。在有关我国GDP强影响性特征研究方面，近来，周建和张敏（2014）研究发现我国省际年度GDP中存在着显著的强影响性特征，每一年样本信息对于样本期内全部信息的影响程度和大小存在着差异。同时，我国省际GDP强影响性特征具有极其显著的形成机制，随机性成分是造成强影响性的主要根源，周期成分也产生较为重要的影响。虽然周建和张敏（2014）发现我国年度GDP整体上存在着强影响特征，但是它并没有更加深入地对我国各省份GDP的强影响性特征以及关联性机制进行系统研究，也没有对各省份GDP为什么会出现强影响性的关联性进行深入分析，因此在理论研究和实证检验上存在着不足。 从以上文献可以看到，尽管对于我国GDP强影响性特征进行研究如此之重要，但是已有文献相关研究所产生的有影响力的成果却十分缺乏。现有基于我国GDP进行相关宏观经济政策分析的文献，不仅相关文献数量比较稀少，而且大多数研究都集中在经济周期和经济波动方面，几乎很少涉及到对于GDP强影响性特征分析的实证研究。究其原因，这是由于对于我国GDP强影响性特征进行深入系统的研究必须依赖于前沿的现代宏观经济统计诊断理论和计量分析方法，只有这样才能对此问题进行细致而深入的研究，从而得到有学术价值的分析结论。正是上述十分重要而迫切需要解决的现实问题，构成了本文的研究动机。 一、我国省际季度GDP空间面板模型设定及其估计 1.变量选择 为了准确地对我国省际季度GDP强影响性特征进行诊断分析，本文首先从GDP的三种国民经济核算方法①的组成成分入手，从GDP的支撑和构成角度来对省际季度GDP进行系统全面的研究，这样能够从GDP的形成本质以及其基础构成上来分析其强影响性特征。同时，在相关问题研究中，本文选取的指标体系不仅包含与我国GDP三种核算方法各组成部分存在密切关系的宏观经济指标，而且还包括“克强指数”有关的宏观经济指标，这些指标的选取旨在从经济系统多维的角度来揭示我国省际季度GDP与其他宏观经济指标的相互依存关系，在此基础上，再通过现代前沿的统计诊断理论和方法来对相关系统的强影响性特征进行诊断分析，以便发现具有大量经济信息价值的强影响点，从而为宏观经济走势的预测预警、经济决策的制定和完善等提供科学依据。 本文选取2005年第1季度（2005Q1）-2013年第4季度（2013Q4）区间我国30个省份（西藏数据缺失，不包括在内）季度GDP进行分析，本文研究的对象是30个省份的季度GDP，在现有数据资料情况下，从综合三种国民经济核算角度能够找到构成GDP重要组成成分的季度数据变量，如表1所示。需要说明的是，以上10个变量是本文根据现有数据资料所能找到的最多、最全面的解释变量个数了。之所以如此，这是因为，本文所研究的对象是30个省份的GDP，同时又是季度数据，因此，与上述二者相对应的其他变量要求既满足30个省份都要具有，同时又要满足季度数据类型，由此造成在现有数据资料条件下，有一些其他解释变量都不能满足，故此，表1是本文所能找到的最多解释变量。对于上述以价值形态所表现的指标，考虑到样本数据的可比性，还要对其进行价格指数调整，本文用到的价格调整指数包括：各地区居民消费价格指数（CPI）、各地区生产者物价指数（PPI，或称工业品出厂价格指数）、各地区固定资产投资价格指数以及各地区商品零售价格指数（RPI），且换算到以2003年同期为基期的价格指数。其中，固定资产投资完成额用固定资产投资价格指数进行调整，社会消费品零售总额用RPI进行调整，工业企业利润总额用PPI进行调整，其余宏观变量数据用CPI进行调整；对样本中存在少量缺失数据采取比率法进行补充。 在上述变量所构成的宏观经济系统中，由于各个变量是从GDP各种国民经济核算方法所提炼出来的，虽然它们都能够从自身的角度反映GDP的构成成分，基于这些指标具有经济意义的合理性，但是这些原始的混合指标在反映GDP成分的过程中也可能存在着信息交叠，造成它们之间并不独立，从而或多或少存在一定程度的关联性，进而导致计量模型回归参数估计值的方差较大，从而使得估计结果区间范围增大。同时，在各个变量存在一定共线性程度的情况下，若相关变量样本观测值发生轻微的扰动也可能会引起参数估计值发生较大的变化。因此，从计量分析结果的稳健性考虑，为了克服解释变量多重共线性对模型参数估计的影响，本文首先采用主成分分析法来重新提取上述宏观经济变量的样本信息，主成分分析具有两大优势：其一，它基于原始宏观经济系统变量的全部信息，重新生成新的变量系统，而且新生成的各个变量之间不存在相关性，从而克服了原有变量存在多重共线性的问题；其二，该方法所生成的新的变量信息全部包含了原有变量的信息，在样本信息上没有任何损失。 在对省际季度GDP的强影响性特征进行诊断时，在计量模型的设定上，由于必须要综合考虑到截面个体、前后相依以及空间关联等多种因素的交织影响，因此在对我国省际季度GDP的强影响性特征进行分析时必须依赖于空间面板模型来进行，它克服了一般时间序列分析模型中仅从时间关联性来进行分析的不足。
2.省际季度GDP同比增长率的空间面板模型估计 此处本文考虑各省份GDP季度同比增长率，其他10个宏观变量采用相同的方式进行转换。通过检验，发现这10个宏观变量的同比增长率之间不存在严重的多重共线性问题②，因此可直接当作解释变量进行计量模型分析，即模型（1）。同时，为了与主成分分析结论进行验证，此处在模型（1）的基础上，再增加主成分分析，将表1中10个宏观变量（季度同比增长率形式）转换成10个互相正交的成分变量（comp1～comp10），将成分变量当作解释变量建模，即模型（2）。对GDP同比增速
建立空间面板数据模型（d表示同比增长率）③：
对于空间面板数据模型（1）和模型（2）的估计参见Elhorst（2003，2010）、Yu等（2008）、Lee和Yu（2010）的研究，对于模型中设定的固定效应，通过模型两边同时乘以相应的矩阵予以变换消除，再运用集中极大似然函数将其表示为空间自回归系数的函数，并最大化。
计算同比增长率有两种方式：一种是对数据取对数，再对当期数据与上年同期数据进行差分得到；另一种方式是按照增长率的定义，即为当期数据相对上年同期数据变化的百分比。本文对这两种算法的同比增长率均做了实证分析，基于模型（1）的回归结果如表2中的列（1）和列（2）所示。表2中的列（3）是以按照定义所计算的同比增长率为被解释变量基于模型（2）（主成分）进行回归的结果，而列（1）和列（2）分别是对原始解释变量（未经过主成分变换）取对数再差分和按照定义所计算的两种增长率所得到的计量结果。从表2可以看出，无论采取哪种算法和模型，空间效应均没有显著的出现，同时模型拟合效果也较低，这说明采用省际季度GDP同比增长率的变量形式来进行建模分析存在着拟合效果不好的缺陷。 3.省际季度GDP标准化后的空间面板模型估计 以上分析表明，对各省份季度GDP同比增长率来构建空间面板模型总体来说拟合效果不理想。因此，此处本文进一步考虑构建各省份季度GDP空间面板模型。表1中9个（各省季度工业企业增加值变量
没有绝对观测值数据，只有同比增长率，因此，此处不包含该变量）宏观变量具有较强的线性相关性⑤，为了消除多重共线性对模型参数估计的不利影响。为此，本文先将9个变量进行标准化变换，即样本值减去均值（由30个省份36个季度所有样本值取平均得到）后除以标准差，然后将其线性转换成9个互相正交的成分变量（comp1～comp9）。为了与解释变量相匹配，标准化后的GDP（z_GDP）作为被解释变量。经过标准化处理，解释变量和被解释变量均是无量纲化的，标准化的优势在于能够将不同规模状态、不同单位、无法直接进行比较的解释变量以及被解释变量转化成无量纲、相对可比的变量，同时又不改变原有变量的相关性性质。建立空间面板数据模型进行诊断分析：
首先，对这9个宏观变量进行主成分分析，9个成分变量对9个宏观变量的线性组合表达式详见表3所示。在得到了相关成分变量数学表达式后，依据公式计算出成分变量的样本观测值，在此基础上，再采用式（3）进行计量分析，所得模型（3）相关参数估计结果如表4所示。
从表4中知道，在上述四种权重矩阵下，模型拟合优度非常高均在98%以上，同时绝大多数成分解释变量的参数估计值在取值符号、大小以及显著性方面都十分稳健，在各个权重矩阵下表现特征都比较一致，这说明模型（3）形式设定准确，选择主成份解释变量来建模具有较强的说服力。从实证结果来看，Comp2、Comp7和Comp9对GDP的解释能力在1%显著性水平下不显著，其余成分均为重要的解释变量。空间效应影响系数无论是在地理权重矩阵（
），或者还是在经济权重矩阵（
）情况下都非常显著，这表明各省份GDP存在着显著的正向空间外溢效应。结合表3中的转换系数，将表4中成分解释变量的回归系数通过线性转换还原到原来标准化后的9个宏观变量的系数，所得结果如表5所示。
二、我国省际季度GDP的强影响性诊断结果及其特征分析 1.我国省际季度GDP强影响性诊断及其共性变化特征分析
根据包括空间自回归系数的Cook距离和WK距离可以看出⑥，两种诊断统计量只是在数值上有较小的差异，其变化趋势完全相同，这都说明了我国省际季度GDP存在着明显的强影响特征。整体上看，在四种空间权重矩阵下样本期内所得到的每个季度的诊断统计量数值都比较接近，且其变动趋势一致，这充分说明了四种权重下所反映出的GDP强影响性特征和波动模式十分类似，并且其结果十分稳健。在所有空间权重矩阵下，
情况下的Cook距离均较大，且出现最多的波峰点。对于我国省际季度GDP而言，其强影响性特征呈现出明显的多峰型特征，GDP在样本期间具有显著的7个强影响点（其中包含样本起始点和期末点），分别发生在2005年第1季度、2005年第4季度、2008年第4季度、2009年第4季度、2012年第2季度，2013年第1季度和2013年第4季度，影响程度从大到小排列是2013年、2008年、2005年、2009年、2012年。 从不包括空间自回归系数的Cook距离和WK距离可以看出⑦，我国省际GDP也存在着明显的强影响特征。在四种空间权重矩阵下样本期内所得到的每个季度的诊断统计量数值都十分接近，且其变动趋势高度一致，这充分说明了四种权重下所反映出的GDP强影响性特征和波动模式极其类似，并且其结果十分稳健。对于GDP而言，其强影响性特征也呈现明显的多峰型特征，GDP在样本期间具有显著的7个强影响点（其中包括样本的起始点和期末点），分别发生在2005年第1季度、2005年第4季度、2008年第4季度、2011年第2季度、2012年第2季度、2013年第1季度和2013年第4季度，影响程度从大到小排列是2013年、2005年、2012年、2011年、2008年。 以上综合表明，我国省际GDP存在着显著的强影响性特征，强影响点和非强影响点的样本信息对于模型参数的影响存在较大差异，如果忽略这些强影响特征将会误导以GDP为基础的经济增长和经济波动，以及经济预测和预警等政策分析。通过比较发现，无论是包含空间自回归系数还是不包括空间自回归系数，都存在6个强影响点：2005年第1季度和第4季度、2008年第4季度、2012年第2季度以及2013年第1季度和第4季度。总体上，不包括空间自回归系数的Cook距离和W-K距离在四种空间权重矩阵下的波动模式比包括的更加高度一致和吻合，这表明空间效应降低了我国省际季度GDP强影响性特征的稳健性，加大了四种权重下强影响性的差异程度。 2.各省份季度GDP强影响性诊断与分省份结果分析 以上实证分析结果是以30个省份所组成的面板数据所得到的我国省际季度GDP强影响性的共性变化特征。由于除了共性特征之外，各省份还存在着个体异质性差异。因此，接下来，此处对各个省份单独进行考虑，在样本对象的选择上，本文将面板数据分解成各个省份的样本数据，运用线性模型的统计诊断理论来考察单个省份的强影响点：
在对某省份季度GDP强影响性诊断与该省份结果进行分析时，具体做法是只根据该省份的解释变量
提炼出该省份自身的主成分解释变量，然后再进行强影响性的统计诊断分析。 我们利用单个省份的各个宏观变量的数据，考察基于模型（5）各省份删除时期t的Cook距离和W-K距离这两个诊断统计量，表达式分别与式（4）相同，区别在于这里删除的是各省份时期t的一个观测值，而式（4）删除的是30个省份t期的30个观测值。 在强影响点的判断中，由于在没有强影响性时，经济变量相邻两期之间的计量关系不会出现太大差异，除非是强影响点才会使得某时点的诊断统计量比前后期的诊断统计量的数值大很多，从而诊断统计量图形走势出现波峰。因此，基于Cook距离和W-K距离来识别样本中的强影响点，根据这两个诊断统计量数据结果是否出现明显波峰来进行判断和分析，如果出现了波峰，则初步认为波峰时点出现了强影响性。根据Cook距离和W-K距离，可以初步判断30个省份出现强影响点的时间点如表6所示。
由表6可以看出，总体来看各省份的强影响点集中在2008年、2009年、2011年、2012年和2013年，其中出现在2013年的强影响点最多，与利用省际面板数据所揭示的强影响点出现年份相一致，且影响程度最大的发生在2013年。同时，强影响点出现在第4季度的频率最高，远远高于其他三个季度，占各省份总强影响点的比例达到58.3%，其他季度出现的频率相当。 进一步比较，对于利用全部省份数据包含和不包含空间自回归系数都是强影响点的是2005年第1季度（6个省份出现强影响点）和第4季度（8个省份出现强影响点）、2008年第4季度（18个省份出现强影响点）、2012年第2季度（7个省份出现强影响点）、2013年第1季度（8个省份出现强影响点）和第4季度（17个省份出现强影响点）；不同之处是，对于包含空间自回归系数有一个强影响点是2009年第4季度（15个省份出现强影响点）；对于不包含空间自回归系数有一个强影响点是2011年第2季度（5个省份出现强影响点），它们都在各个省份中单独出现过。 三、我国省际季度GDP强影响性特征的协同效应和共振效应
是第i个省的强影响性诊断统计量（Cook距离和W-K距离），n为30。Moran's I指数的取值范围为-1到1之间，当该指数的值接近1时，则说明省份之间的强影响性特征存在空间正相关；当该指数的值接近-1时，则说明省份之间的强影响性特征存在空间负相关；当该指数的值接近0时，则说明各省份之间的强影响性特征不存在空间相关性。图1给出了30个省份的Moran's I指数随时点的变化情况：Moran's I指数最高可达0.2以上，可见30个省份诊断统计量（Cook距离和W-K距离）之间存在较强的空间相关性。为了进一步对我国省际季度GDP强影响特征的协同效应和共振效应进行检验，接下来本文将利用空间面板数据模型对各省诊断统计量构成的面板数据进行计量分析。 1.我国省际季度GDP强影响性特征的协同效应与共振效应
从前文的实证分析可以看出，利用全部省份面板数据所得强影响点和各省份单独分析所得到的强影响点之间存在很强的关联性。因此，为了解释各个省份的强影响性特征，本文将利用全部省份组成的面板数据所得每季度Cook距离作为解释变量（也可以称为共同Cook距离，表示每个省份的共同因子）；同时，由表6知道，各个省份强影响特征具有明显的季度效应，且每个季度出现的强影响性特征存在着较大差异，所以，在对各个省份的强影响特征进行建模解释时，还需要引入表示每个季度差异的虚拟变量。同时，由于选取的季度虚拟变量均为随时间不变的变量，为了有效估计相应参数，因此，此处所构建的解释各省季度GDP强影响特征的空间面板数据模型中不包括时间固定效应项，计量模型如式（6）所示。
表7和表8分别是模型（6）包含自回归系数的Common_Cook1和不包含自回归系数的Com-mon_Cook2两种情况下得到的估计结果。这两种情况下的估计结果差异不大，对于四种不同的空间权重矩阵，空间自回归系数均显著为正，说明各省份的Cook距离之间存在显著的正向空间溢出效应，各省份季度GDP强影响性特征存在着显著的空间关联机制和正向协同效应；共同Cook距离的系数均显著为正，说明了各省份强影响性特征会显著受到共同因子的正向影响，它们之间存在着显著的共振效应，即宏观经济系统共同反应的强影响性特征会对每省份自身的强影响特征产生显著的正向影响；虚拟变量D3的系数估计值显著为正，说明第4季度的Cook距离较第1季度显著出现正偏，这也与前面定性分析相吻合；对于虚拟变量D1和D2的系数估计值仅在空间权重矩阵
情况下显著，而在空间权重矩阵
情况下的估计值相差不大，说明第2、3季度会出现一定程度的正偏，比第1季度强，却比第4季度弱。因此，从季度效应上来讲，我国省际季度GDP强影响性特征主要出现在第4季度，第1季度不显著，第2、3季度弱于第4季度而强于第1季度。 由于模型（6）中存在个体固定效应，表9给出了表7回归结果所得结果相对应的个体固定效应估计值，由表8所得结果个体固定效应估计值与表9相差不大（篇幅所限，未列出）。
由表9可以看出，30个省份的个体固定效应整体上都不显著异于0，只是在空间权重矩阵
情况下，甘肃出现了略微的正偏（显著性水平为10%），在空间权重矩阵
情况下，宁夏出现了略微的正偏（显著性水平为10%）。其他绝大多数省份都没有出现显著性差异，这说明了协同效应、共振效应以及季度效应基本上揭示了各省份诊断统计量的异质性。 2.稳健性检验 此处，利用另一个诊断统计量W-K距离的数值替代Cook距离的数值进行稳健性检验：
其中，
为利用n个省份自身数据的线性模型统计诊断得到的第t期W-K统计量构成的n×1维向量，
为全部省份组成的面板数据模型统计诊断得到的第t期W-K统计量（分为包含自回归系数common_wk1和不包含自回归系数common wk2两种情况），其他符号的含义同模型（6）。 表10和表11分别是模型（7）包含自回归系数的common_wk1和不包含自回归系数的common_wk2两种情况下得到的估计结果。两种情况下的估计结果差异不大，对于四个不同的空间权重矩阵，空间自回归系数均显著为正，说明各省的W-K距离之间存在显著的正向空间溢出效应；共同W-K距离的系数均显著为正，说明了各省共同反应的强影响性特征也会对自身的强影响特征产生正向影响；虚拟变量D3的系数估计值显著为正，说明第4季度的W-K距离较第1季度显著出现正偏，这也与前面定性分析相吻合；对于虚拟变量D1和D2的系数估计值仅在空间权重矩阵
情况下显著，而在
情况下的估计值相差不大，说明第2、3季度会出现一定程度的正偏，比第1季度强，却比第4季度弱。
综上所述，对于两个强影响点诊断统计量Cook距离和W-K距离，本文计量检验所得结果保持了高度的一致性，本文实证分析结论具有稳健性，说明了各省份的强影响性特征之间存在显著的正向空间协同效应；经济系统的强影响性特征（共同因子）对各省份自身的强影响特征产生了显著的正向影响，各省份强影响特征具有共振效应，这表明各省强影响性特征的产生与共同的宏观经济系统有关，它们均受到共同因子的影响；从季度效应来看，第4季度出现强影响点的频率显著高于其他3个季度，各省份的强影响特征具有显著的季度效应。 四、结论和政策启示 根据研究主要结论为：从无论是包括或者还是不包含空间自回归系数的Cook距离和W-K距离可以看出，我国省际GDP存在着明显的强影响特征。整体上看，在四种空间权重矩阵下样本期内所得到的每个季度的诊断统计量数值都十分接近，且其变动趋势高度一致，这充分说明了四种权重下所反映出的GDP强影响性特征和波动模式十分类似，并且其结果十分稳健。对于包括空间自回归系数的Cook距离和W-K距离而言，省际季度GDP在样本期间具有显著的7个强影响点，分别发生在2005年第1季度、2005年第4季度、2008年第4季度、2009年第4季度、2012年第2季度，2013年第1季度和2013年第4季度，影响程度从大到小排列是2013年、2008年、2005年、2009年、2012年；对于不包含空间自回归系数的Cook距离和W-K距离而言，省际季度GDP的强影响点分别发生在2005年第1季度、2005年第4季度、2008年第4季度、2011年第2季度、2012年第2季度、2013年第1季度和2013年第4季度，影响程度从大到小排列是2013年、2005年、2012年、2011年、2008年。总体上，我国省际季度GDP强影响性特征呈现出明显的多峰型特征。空间效应降低了我国省际季度GDP强影响性特征的稳健性，加大了四种权重下强影响性的差异程度。 各省份的强影响点集中在2008年、2009年、2011年、2012年和2013年，其中出现在2013年的强影响点最多，与利用省际面板数据所揭示的强影响点出现年份相一致，且影响程度最大的发生在2013年。同时，强影响点出现在第4季度的频率最高，远远高于其他3个季度，占各省份总强影响点的比例达到58.3%，其他季度出现的频率相当。 各省份的Cook距离（或者W-K距离）之间存在显著的正向空间溢出效应，各省份季度GDP强影响性特征存在着显著的空间关联机制和正向协同效应；共同Cook距离（或者W-K距离）的系数均显著为正，各省份强影响性特征会显著受到共同因子的正向影响，它们之间存在着显著的共振效应，即宏观经济系统共同反应的强影响性特征会对每省份自身的强影响特征产生显著的正向影响；第4季度的Cook距离（或者W-K距离）显著出现正偏；第2、3季度会出现一定程度的正偏，比第1季度强，却比第4季度弱。因此，从季度效应上来讲，我国省际季度GDP强影响性特征主要出现在第4季度，第1季度不显著，第2、3季度弱于第4季度而强于第1季度。 以上实证结论表明，我国省际季度GDP存在着显著的强影响性特征，而且各省份强影响特征之间并不是孤立存在的，存在显著的协同效应和共振效应。如果忽略我国各省份GDP的强影响性特征，不仅会干扰我国宏观经济形势判断和预测、政策分析与评价的准确性和科学性，而且还会导致以GDP为基础所开展的宏观经济问题理论研究偏误。对于我国各省份强影响特征之间存在着显著的协同效应和共振效应，在经济政策理论研究和政策实践上意味着我国省际季度GDP的强影响性特征并不是偶然和个别片面的，它们的出现不仅受到我国宏观经济系统强影响性共同因子的影响，而且还相互影响，其形成有着必然的内在规律。这说明，在分析和研究某省份GDP的强影响特征及其相关政策影响机制时，不能孤立的只以某省份单独进行分析，正确的做法应当是从宏观经济系统的角度来全面加以考虑和衡量，从而才能得到正确的有价值的研究结论。以上重要结论启示我们，无论是对于宏观经济理论研究者，或者还是政策制定者而言，我们不仅需要关注我国省际季度GDP的强影响性特征，以便于更好地为宏观经济理论研究或者经济政策制定服务，而且还需要更深入地对各省GDP强影响特征的内在深层次根源及其形成原因进行透彻分析，从而为更好地减弱甚至消除相关强影响特征对宏观经济理论研究或者政策制定的不良影响提供前瞻有效的经济理论指导，以便于更加有效地实现宏观经济调控的预期目标。 ①从价值形态看，它是所有常住单位在一定时期内生产的全部货物和服务价值超过同期中间投入的全部非固定资产货物和服务价值的差额，即所有常住单位的增加值之和，表现为用生产法核算GDP，GDP为总产出减去中间消耗，也可以表示为第一产业的增加值、第二产业的增加值以及第三产业的增加值之和；从收入形态看，它是所有常住单位在一定时期内所创造并分配给常住单位和非常住单位的初次分配收入之和，表现为用收入法核算GDP，GDP为劳动者报酬、生产税净额、固定资产折旧以及营业盈余之和；从产品形态看，它是最终使用的货物和服务减去进口货物和服务，表现为用支出法核算GDP，GDP为最终消费支出、资本形成总额以及货物与服务净出口之和。 ②这10个宏观变量的平均VIF只有1.32，远远低于10。 ③本文对采用空间静态模型的形式进行了检验，LM（Lag）和Robust LM（Lag）均大于LM（Error）和Robust LM（Error），因此采用空间滞后面板数据模型，并且存在时间效应和个体效应。 ④经济距离一般是用样本均值，而人口数只有年度数据，且更新比较慢，目前只有至2011年的数据，因此本文用2005-2011年的人均GDP均值来代替。 ⑤方差膨胀因子（Variance Inflation Factor，VIF）越大则说明多重共线性问题越严重，比只关注两个变量之间的相关关系更有说服力。经检验，这9个宏观变量的平均VIF高达8，其中存贷款余额、财政收入和社会消费品零售总额的VIF高达10以上，则说明变量之间存在严重的多重共线性问题。 ⑥计算结果略去，备索。 ⑦计算结果略去，备索。 ⑧计算结果略去，备索。
标签：共振效应论文; 成分分析论文; 空间分析论文; 解释变量论文; 样本空间论文; 经济论文;
